El potencial del uso de la inteligencia synthetic en el descubrimiento y el desarrollo de los medicamentos ha provocado Ambas emociones y escepticismo Entre científicos, inversores y el público en normal.
“La inteligencia synthetic es Tomar el desarrollo de medicamentos”, Afirman algunas empresas e investigadores. En los últimos años, el interés en usar la IA para diseñar medicamentos y optimizar los ensayos clínicos ha impulsado un aumento en la investigación y la inversión. Plataformas impulsadas por IA como Alfafoldque ganó el 2024 Premio Nobel Para su capacidad para predecir la estructura de proteínas y diseñar otras nuevas, exhibir el potencial de IA para acelerar el desarrollo de fármacos.
Ai en descubrimiento de drogas es «tonterías«Advierte a algunos veteranos de la industria. Instan a que «el potencial de IA para acelerar el descubrimiento de drogas necesita un Verificación de la realidad«, Ya que las drogas generadas por AI aún no han demostrado la capacidad de abordar el Tasa de falla del 90% de nuevos medicamentos en ensayos clínicos. A diferencia del éxito de la IA en análisis de imágenessu efecto sobre el desarrollo de fármacos sigue sin estar claro.
Hemos estado siguiendo el uso de IA en desarrollo de drogas en nuestro trabajo como científico farmacéutico tanto en la academia como en la industria farmacéutica y como un ex gerente de programa en la Agencia de Proyectos de Investigación Avanzada de Defensa, o DARPA. Argumentamos que la IA en el desarrollo de fármacos aún no es un cambio de juego, ni es una tontería completa. La IA no es una caja negra que pueda convertir ninguna concept en oro. Más bien, lo vemos como una herramienta que, cuando se usa sabia y de manera competente, podría ayudar a abordar las causas fundamentales de la falla de los medicamentos y agilizar el proceso.
La mayoría trabaja usando IA en desarrollo de drogas tiene la intención de reducir el tiempo y dinero Se necesita para llevar una droga al mercado, actualmente de 10 a 15 años y $ 1 mil millones a $ 2 mil millones. Pero, ¿puede la IA realmente revolucionar el desarrollo de fármacos y mejorar las tasas de éxito?
IA en desarrollo de drogas
Los investigadores han aplicado la IA y el aprendizaje automático a cada etapa del proceso de desarrollo de fármacos. Esto incluye identificar objetivos en el cuerpo, detectar posibles candidatos, diseñar moléculas de drogas, predecir toxicidad y seleccionar pacientes que podrían responder mejor a los medicamentos en ensayos clínicos, entre otros.
Entre 2010 y 2022, 20 startups centradas en la IA descubrió 158 candidatos a drogas, 15 de los cuales Avanzado a ensayos clínicos. Algunos de estos candidatos a los medicamentos pudieron completar las pruebas preclínicas en el laboratorio y ingresar a los ensayos en humanos en solo 30 meses, en comparación con el típico 3 a 6 años. Este logro demuestra el potencial de IA para acelerar el desarrollo de fármacos.
Por otro lado, si bien las plataformas de IA pueden identificar rápidamente compuestos que funcionan en células en una placa de Petri o en modelos animales, el éxito de estos candidatos en ensayos clínicos, donde ocurren la mayoría de las fallas de drogas: los restos muy incierto.
A diferencia de otros campos que tienen conjuntos de datos grandes y de alta calidad disponibles para capacitar a los modelos de IA, como el análisis de imágenes y el procesamiento del lenguaje, la IA en el desarrollo de fármacos está limitado por pequeños conjuntos de datos de baja calidad. Es difícil generar conjuntos de datos relacionados con fármacos en células, animales o humanos durante millones a far de millones de compuestos. Mientras Alfafold es un avance en la predicción de estructuras de proteínas, Que preciso Puede ser para el diseño de fármacos sigue siendo incierto. Los cambios menores en la estructura de un medicamento pueden afectar en gran medida su actividad en el cuerpo y, por lo tanto, lo efectivo que es en el tratamiento de la enfermedad.
Sesgo de supervivencia
Al igual que la IA, las innovaciones pasadas en el desarrollo de fármacos como Diseño de drogas asistido por computadorael Proyecto del genoma humanoy detección de alto rendimiento han mejorado los pasos individuales del proceso en los últimos 40 años, sin embargo, las tasas de falla de drogas no ha mejorado.
La mayoría de los investigadores de IA pueden abordar tareas específicas en el proceso de desarrollo de fármacos cuando se proporcionan datos de alta calidad y preguntas particulares para responder. Pero a menudo son no familiarizado con el alcance completo del desarrollo de fármacos, reduciendo los desafíos en problemas de reconocimiento de patrones y el refinamiento de los pasos individuales del proceso. Mientras tanto, muchos científicos con experiencia en desarrollo de medicamentos carecen de capacitación en IA y aprendizaje automático. Estas barreras de comunicación pueden impedir que los científicos se vayan más allá de la mecánica de los procesos de desarrollo actuales e identifiquen las causas raíz de las fallas de los medicamentos.
Los enfoques actuales para el desarrollo de fármacos, incluidas las que usan IA, pueden haber caído en un sesgo de supervivencia trampa, enfocándose demasiado en aspectos menos críticos del proceso mientras Con vistas a problemas importantes que contribuyen más al fracaso. Esto es análogo a reparar daños a las alas de los aviones que regresan de los campos de batalla en la Segunda Guerra Mundial, mientras que descuidan las vulnerabilidades fatales en motores o cabinas de los aviones que nunca regresaron. Los investigadores a menudo se centran demasiado en cómo mejorar las propiedades individuales de un medicamento en lugar de las causas de la falla.
El proceso precise de desarrollo de fármacos Como una línea de ensamblajedependiendo de un enfoque de casilla de verificación con pruebas extensas en cada paso del proceso. Si bien la IA puede reducir el tiempo y el costo de las etapas preclínicas basadas en el laboratorio de esta línea de ensamblaje, es poco possible que aumente las tasas de éxito en las etapas clínicas más costosas que implican pruebas en las personas. Lo persistente Tasa de falla del 90 por ciento de los medicamentos en ensayos clínicos, a pesar de 40 años de mejoras en el proceso, subraya esta limitación.
Abordar las causas raíz
Las fallas de drogas en los ensayos clínicos no se deben únicamente a cómo se diseñan estos estudios; seleccionando el candidatos a drogas incorrectos Probar en ensayos clínicos también es un issue importante. Las nuevas estrategias guiadas a la IA podrían ayudar a abordar estos dos desafíos.
Actualmente, tres factores interdependientes Impulse la mayoría de las fallas de drogas: dosis, seguridad y eficacia. Algunas drogas fallan porque son demasiado tóxicas o inseguras. Otras drogas fallan porque se consideran ineficaces, a menudo porque la dosis no se puede aumentar más sin causar daño.
Nosotros y nuestros colegas proponemos un sistema de aprendizaje automático para ayudar a seleccionar candidatos a drogas prediciendo dosis, seguridady eficacia basada en cinco características previamente pasadas por alto de las drogas. Específicamente, los investigadores podrían usar modelos de IA para determinar cómo específica y potentemente el medicamento se une a los objetivos conocidos y desconocidos, los niveles de estos objetivos en el cuerpo, cómo se concentra el fármaco en tejidos sanos y enfermos, y las propiedades estructurales del fármaco.
Estas características de las drogas generadas por IA podrían probarse en lo que llamamos fase 0+ pruebasutilizando dosis extremely bajas en pacientes con enfermedad grave y leve. Esto podría ayudar a los investigadores a identificar medicamentos óptimos al tiempo que cut back los costos del enfoque precise de «prueba y vista» para los ensayos clínicos.
Si bien la IA por sí sola podría no revolucionar el desarrollo de fármacos, puede ayudar a abordar las causas raíz de por qué los medicamentos fallan y racionalizar el largo proceso para la aprobación.
Este artículo se republicó de La conversación bajo una licencia Inventive Commons. Leer el artículo unique.
